王艷軍，李 凱，路立娟

(1. 湖南科技大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201； 2. 湖南科技大學(xué)資源環(huán)境與安全工程學(xué)院，湖南 湘潭 411201； 3. 湘潭市國(guó)土資源信息中心，湖南 湘潭 411201)

快速檢測(cè)并消除電力線隱患是城鄉(xiāng)供電管理和科學(xué)規(guī)劃的重要任務(wù)[1]，但傳統(tǒng)的現(xiàn)場(chǎng)檢測(cè)方法實(shí)施難度大，耗費(fèi)人力多。LiDAR測(cè)量技術(shù)測(cè)量精度高且定位準(zhǔn)確，可以很好地克服電力線巡查中的缺陷，直接而快速地采集電力線走廊高精度三維點(diǎn)云數(shù)據(jù)[2-3]。但機(jī)載LiDAR點(diǎn)云數(shù)據(jù)量較大，地表信息豐富，電力線點(diǎn)云數(shù)據(jù)存在與森林植被、建筑物群、道路等要素相互遮擋和混雜的復(fù)雜場(chǎng)景，導(dǎo)致從海量機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中快速準(zhǔn)確地提取電力線點(diǎn)存在困難。研究一種高效快速且自動(dòng)化從機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中分類提取電力線的模型，是激光雷達(dá)技術(shù)在電力和環(huán)境研究等領(lǐng)域的重要內(nèi)容?，F(xiàn)有的電力線分類技術(shù)可大致分為3類：①基于高度、密度或脈沖數(shù)的點(diǎn)云統(tǒng)計(jì)分析分類[4-7]；②基于二維圖像處理的霍夫變換和聚類分類[8]；③基于點(diǎn)云的測(cè)量和分布特征的監(jiān)督分類[9-11]。

通常使用二維霍夫變換來檢測(cè)分段的電力線基元，使用隨機(jī)抽樣一致性算法選擇用于估計(jì)垂直參數(shù)的電力線基元，以此實(shí)現(xiàn)電力線的整體重建，但該方法沒有充分利用所有電力線且精度不高。文獻(xiàn)[12—13]利用馬爾可夫隨機(jī)場(chǎng)首先從給定的線性走廊場(chǎng)景中提取電力線，然后根據(jù)電力線與塔架之間的語義關(guān)系提取塔架，最后使用基于塔架位置的懸鏈曲線模型進(jìn)行多級(jí)跨度分析以完成三維電力線的重建。該方法是通過基于塔架位置的語義關(guān)系提取電力線和塔架，不適用于普遍存在電力桿而不是高塔架的復(fù)雜城區(qū)中的電力線分類。另有研究者提出通過使用懸鏈線的非線性調(diào)節(jié)來檢測(cè)電力線候選點(diǎn)，利用電力線的空間分布特征從點(diǎn)云中提取單個(gè)電力線，然后直接使用基于多項(xiàng)式的最小二乘法匹配算法來估計(jì)其三維重建的電力線模型參數(shù)[14],該方法計(jì)算復(fù)雜且最終擬合模型不連續(xù)。綜上，機(jī)載LiDAR點(diǎn)云數(shù)據(jù)能夠克服傳統(tǒng)電力線路巡檢和管理規(guī)劃中的問題，但需針對(duì)點(diǎn)云數(shù)據(jù)量大、三維電力線提取自動(dòng)化程度低和分類精度低的問題，設(shè)計(jì)自動(dòng)化的電力線分類提取算法。本文提出一種植被、建筑物與輸電線路混合的復(fù)雜城市場(chǎng)景中基于機(jī)載LiDAR點(diǎn)云的電力線分類提取方法，可適用于建筑物、植被等的分類提取。

1 研究方法

針對(duì)已有的基于形狀屬性的概率統(tǒng)計(jì)、圖像轉(zhuǎn)換分析方法存在的誤差和精度問題，本文提出充分利用形狀結(jié)構(gòu)關(guān)系的電力線支持向量機(jī)(support vector machine，SVM)分類模型構(gòu)建復(fù)雜場(chǎng)景下候選電力線點(diǎn)云數(shù)據(jù)的形狀結(jié)構(gòu)特征關(guān)聯(lián)參數(shù)，應(yīng)用兩塊典型區(qū)域訓(xùn)練和測(cè)試樣本驗(yàn)證模型結(jié)果，對(duì)比評(píng)價(jià)結(jié)果精度和反饋模型參數(shù)。本文設(shè)計(jì)了基于幾何多尺度特征和多尺度鄰域類型的電力線點(diǎn)云分類的新方法。該方法主要包括：電力線候選點(diǎn)過濾、多尺度鄰域類型選擇、形狀結(jié)構(gòu)特征提取和SVM分類，具體方法框架如圖1所示。

1.1 電力線候選點(diǎn)濾波

機(jī)載LiDAR點(diǎn)云數(shù)據(jù)包括空間三維坐標(biāo)、密度、回波強(qiáng)度、顏色等信息，針對(duì)點(diǎn)云數(shù)據(jù)量龐大、反映地表要素的數(shù)據(jù)稠密和精度高的特點(diǎn)，電力線網(wǎng)絡(luò)分類提取需考慮明顯噪聲點(diǎn)、地面點(diǎn)、建筑物點(diǎn)等過濾，而且電力線走廊在某固定高度范圍內(nèi)呈線狀分布的特征，需要研究基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的電力線三維結(jié)構(gòu)特征指標(biāo)體系。具體包括：基于原始點(diǎn)云數(shù)據(jù)，噪聲、地面、建筑物等顯著非電力線點(diǎn)的過濾機(jī)制，以進(jìn)行點(diǎn)云數(shù)據(jù)預(yù)處理；建立電力線三維結(jié)構(gòu)特征指標(biāo)體系，將更加準(zhǔn)確地區(qū)分非電力線點(diǎn)，減少后續(xù)處理數(shù)據(jù)量，同時(shí)保證可能電力線點(diǎn)的完整篩選。來自原始LiDAR點(diǎn)云的電力線候選點(diǎn)過濾是電力線分類的第1步。本文首先從原始LiDAR點(diǎn)云進(jìn)行地面點(diǎn)過濾和DTM生成以提取所有非地面點(diǎn)，根據(jù)電力線布設(shè)規(guī)范，選擇地面4 m以上的非地面點(diǎn)作為電力線候選點(diǎn)[5]。

1.2 多尺度鄰域類型選取

本文方法通過使用給定點(diǎn)X的局部三維空間形狀結(jié)構(gòu)進(jìn)行電力線分類。初步選取兩類鄰域：?jiǎn)我怀叨揉徲蚝投喑叨揉徲騕14]，并在每個(gè)尺度上分別選取球形鄰域、柱狀鄰域和K值鄰域3種鄰域類型，每種鄰域類型的限制參數(shù)為半徑和K值[15]。其中球形鄰域?yàn)閲@給定點(diǎn)X的球體內(nèi)的所有三維點(diǎn)形成的球形鄰域，限制參數(shù)為半徑；柱狀鄰域?yàn)閲@給定點(diǎn)X的圓柱內(nèi)的所有三維點(diǎn)組成的圓柱形鄰域，其中圓柱的軸線穿過給定點(diǎn)X，限制參數(shù)為半徑；K值鄰域?yàn)閲@給定點(diǎn)X的K個(gè)最近三維點(diǎn)組成的鄰域，限制參數(shù)為K值。

經(jīng)多次試驗(yàn)比較分析，選定多尺度球鄰域獲取電力線形狀結(jié)構(gòu)的各向異性和層次細(xì)節(jié)。

1.3 形狀結(jié)構(gòu)特征提取

結(jié)合LiDAR點(diǎn)云數(shù)據(jù)中電力線與林木、建筑物等地物相互遮擋、混雜的問題和電力線快速自動(dòng)化提取的需求，針對(duì)已有的基于結(jié)構(gòu)形狀的統(tǒng)計(jì)分析和圖像處理分類方法中的不足，通過研究在不同復(fù)雜場(chǎng)景下電力線點(diǎn)云數(shù)據(jù)的形狀結(jié)構(gòu)特征，確定其關(guān)聯(lián)參數(shù)。該方法從本質(zhì)上避免了機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中其他地物特征要素對(duì)電力線分類的干擾，以真實(shí)直接地反映出電力線空間結(jié)構(gòu)特征，進(jìn)而達(dá)到提高分類提取精度的目的。由鄰域內(nèi)點(diǎn)集的協(xié)方差三維結(jié)構(gòu)張量的特征值計(jì)算和提取形狀結(jié)構(gòu)特征的方法，具體參見文獻(xiàn)[14—15]。

1.4 SVM分類

基于前述的候選電力線點(diǎn)云數(shù)據(jù)集及其三維形狀結(jié)構(gòu)關(guān)聯(lián)參數(shù)，針對(duì)已有的電力線分類概率統(tǒng)計(jì)分析、格式轉(zhuǎn)換間接分類等方法存在的模型精度和誤差問題，設(shè)計(jì)和研究基于機(jī)器學(xué)習(xí)監(jiān)督分類的電力線智能分類模型。設(shè)計(jì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的SVM分類算法，以候選電力線點(diǎn)云的三維形狀結(jié)構(gòu)關(guān)聯(lián)參數(shù)作為特征向量，以是否屬于電力線點(diǎn)作為結(jié)果種類，構(gòu)建電力線SVM分類算法的訓(xùn)練樣本和測(cè)試樣本，以Terrascan、ENVI等商業(yè)軟件和人工手動(dòng)提取真實(shí)結(jié)果為訓(xùn)練樣本，選擇美國(guó)夏威夷檀香山區(qū)域機(jī)載LiDAR點(diǎn)云數(shù)據(jù)作為測(cè)試樣本，并使用五重交叉對(duì)比分析來驗(yàn)證評(píng)估分類器的準(zhǔn)確性。

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)數(shù)據(jù)集包括：①數(shù)據(jù)集1為2014年采集的夏威夷檀香山市區(qū)域，選取LiDAR城市場(chǎng)景區(qū)域，覆蓋范圍為246 m×170 m，其點(diǎn)密度為3.27點(diǎn)/m2；②數(shù)據(jù)集2為2015年采集的夏威夷檀香山森林區(qū)域，選取場(chǎng)景覆蓋范圍為180 m×180 m，其點(diǎn)密度為3.02點(diǎn)/m2。對(duì)于數(shù)據(jù)集1和數(shù)據(jù)集2，地面、建筑物、電力線點(diǎn)等要素類參照實(shí)際情況以逐點(diǎn)方式進(jìn)行標(biāo)記，其中電力線點(diǎn)作為真實(shí)參考數(shù)據(jù)，原始試驗(yàn)數(shù)據(jù)如圖2所示，已標(biāo)記LiDAR點(diǎn)云與地物類別的點(diǎn)數(shù)量概況見表1。

2.2 試驗(yàn)過程

試驗(yàn)使用單一尺度和多尺度鄰域作為空間形狀結(jié)構(gòu)特征提取的基礎(chǔ)：①6個(gè)球形單一尺度鄰域分別表示為N1m、N3m、N5m、N7m、N9m和N11m；②優(yōu)化最近K值鄰域Nopt，由基于特征值熵最大的最近點(diǎn)構(gòu)建；③球形鄰域N1m、N3m、N5m、N7m、N9m和N11m組合得到多尺度鄰域，表示為Nall。該8種不同鄰域類型所得特征值組合成特征向量作為SVM分類器的輸入值。

為了比較該方法在不同點(diǎn)層次上獲得的分類結(jié)果，設(shè)置多種指標(biāo)對(duì)電力線分類結(jié)果進(jìn)行評(píng)估：準(zhǔn)確率(PREC)、召回率(REC)、質(zhì)量(QUA)和處理時(shí)間(T)，其計(jì)算公式如下

(1)

(2)

(3)

式中，TP為正確分類的電力線點(diǎn)數(shù)量；FP為錯(cuò)誤分類的電力線點(diǎn)數(shù)量；FN為遺漏分類的電力線點(diǎn)數(shù)量；時(shí)間T包括從原始點(diǎn)云數(shù)據(jù)濾波到SVM分類的整個(gè)處理過程。

2.3 結(jié)果與分析

本研究利用8類鄰域和2個(gè)數(shù)據(jù)集共進(jìn)行16次試驗(yàn)，每次試驗(yàn)的準(zhǔn)確率(PREC)、召回率(REC)、質(zhì)量(QUA)和處理時(shí)間(T)結(jié)果見表2，其具體的分類結(jié)果如圖3和圖4所示。

結(jié)果表明，在兩個(gè)試驗(yàn)數(shù)據(jù)中，多尺度鄰域類型結(jié)果精度最好，準(zhǔn)確率、召回率和質(zhì)量基本達(dá)到90%；6類單一尺度鄰域類型分類結(jié)果，在數(shù)據(jù)集1中精度較高的是N9m，在數(shù)據(jù)集2中精度較高的是N7m；文獻(xiàn)[14—15]所提出的優(yōu)化最近K值鄰域Nopt分類結(jié)果精度較低。在處理時(shí)間方面，單一尺度鄰域類型N5m、N7m耗時(shí)較少，N1m和多尺度鄰域類型Nall耗時(shí)接近且居中，Nopt耗時(shí)最多。分析可知，數(shù)據(jù)集1中電力線與樹木和建筑物更為接近，且場(chǎng)景比數(shù)據(jù)集1更為復(fù)雜，分類結(jié)果精度從N1m到N11m呈先逐漸遞增后遞減的趨勢(shì)。由于多尺度鄰域Nall包含所有單一尺度鄰域的形狀結(jié)構(gòu)特征，因此其分類精度比任何單一尺度鄰域都高，其分類結(jié)果的召回率不如準(zhǔn)確率高，而優(yōu)化最近K值鄰域Nopt類型則相對(duì)不適用電力分類模型。

研究發(fā)現(xiàn)，在不同尺度的鄰域中，基于多尺度鄰域類型及形狀結(jié)構(gòu)特征的電力線SVM分類模型效果較好。本試驗(yàn)數(shù)據(jù)中，電力線距離地面約6 m，間距約2 m，走廊平均寬度分別為9和7 m。在數(shù)據(jù)集1和數(shù)據(jù)集2中，單一尺度鄰域類型的最佳尺度近似于電力線的水平或垂直跨度。由于三維城市場(chǎng)景的空間各向異質(zhì)性，多尺度球形鄰域下的分類效果較好。

3 結(jié) 語

與現(xiàn)有的將點(diǎn)云數(shù)據(jù)柵格化或利用圖像處理和統(tǒng)計(jì)分析技術(shù)相比，本文提出了利用多尺度球形鄰域的形狀結(jié)構(gòu)關(guān)系進(jìn)行電力線自動(dòng)化分類，對(duì)不同尺度下局部鄰域進(jìn)行形狀特征提取以獲取三維點(diǎn)的空間結(jié)構(gòu)，完成逐點(diǎn)單獨(dú)分類，并最終獲得高精度的分類結(jié)果。在未來的工作中，將通過考慮數(shù)據(jù)中更多固有的上下文環(huán)境特征改進(jìn)模型方法。此外，本文方法還需要針對(duì)不同類型的點(diǎn)云數(shù)據(jù)(如移動(dòng)或車載激光掃描數(shù)據(jù))進(jìn)行試驗(yàn)，或在更復(fù)雜的城市環(huán)境中評(píng)估模型并基于分類結(jié)果進(jìn)一步實(shí)現(xiàn)電力線的三維重建。